《基于图聚类的FCM算法和MATLAB仿真模拟研究》6700字.docx

PAGE8

基于图聚类的FCM算法和MATLAB仿真模拟研究

摘要

聚类分析是当前研究的一个重要方向， 其目的是将数据集进行拆分，形成多个有意义的簇，进一步来实现对数据的识别。图聚类是一种比较新的聚类方法，它一般先将数据表达成为图，然后再将聚类的问题转化成为图划分的问题。图聚类方法可以对任意的数据信息进行聚类分析，改善了传统聚类分析的不足。

本文通过分析图聚类算法的相关理论，实现一种基于噪声点消除的图聚类算法。首先，本次研究利用自然邻居的概念构造自然邻居图，构图时将输入的数据集表示为自然邻居图;其次使用模糊C均值聚类算法（FCM算法，FuzzyC-Means）将数据集分为多个组，对数据集中的样本点之间的距离进行计算，将每个组中距离其他样本点较远的点视为噪声点并为其分配较低的隶属度，根据隶属度计算聚类中心，将隶属度低的点删除以达到去除噪声的目的;最后计算非相似性指标的目标函数，根据聚类中心再返回计算隶属度，经过多次迭代后使得目标函数最小则完成聚类分析，输出聚类的结果。本文通过Matlab工具对基于噪声消除的图聚类算法进行实现，以Matlab绘图函数构建的图为输入数据集，实验结果显示可以较好地完成图数据集的聚类划分。

关键词：图聚类算法图像分割噪声MATLAB

目录

TOC\o1-3\h\z\u1绪论 1

1.1研究背景及意义 1

1.2国内外研究现状 1

1.3论文主要研究内容 2

2相关理论概述 3

2.1图论 3

2.1.1图的基本概念 3

2.1.2图的邻接矩阵 3

2.1.3自然邻居图 5

2.2聚类概述 5

2.2.1聚类分析 6

2.2.2主要聚类方法 6

3基于图聚类的FCM算法 7

3.1FCM算法概述 7

3.1.1FCM算法的一般步骤 7

3.1.2隶属度函数 8

3.2FCM算法的去噪原理 8

4基于MATLAB的图聚类算法仿真模拟 9

4.1基于MATLAB的图聚类算法仿真 9

4.2仿真结果 10

总结与展望 15

参考文献 16

1绪论

1.1研究背景及意义

聚类分析是一种在没有监督学习的环境中对簇的研究，其将不同簇之间数据的区别进行扩大，缩小相同簇数据之间的区别。聚类分析具有悠久的历史，并且随着社会的进步该分析方法也得到了不断的创新。该研究是模式识别和机器学习领域中关键的一个研究方向，作为一个重要的数据分析工具，聚类的重要作用被广泛认可。当前有关聚类分析的研究推陈出新，多种聚类方法被提出，查阅现有的相关文献可以发现，尽管每个研究人员所用到的技术不同，但各个研究背景重叠交叉，缺少一种判断准则对这些方法进行归类总结。

以往聚类方法在处理局部和非线性数据模式时有很大的局限性，研究人员对于该问题经过不断分析并提出基于图的聚类算法。该算法是在图划分理论基础上，可以对各种不同形状的聚类图识别，在各个方面广泛运用，基于图的聚类方法中谱聚类方法运用最多，但易受到噪声和异常值的影响。为了弥补这一不足，本文研究将设计出一种基于噪声移除的图聚类算法。

1.2国内外研究现状

下列是国外专家学者研究聚类算法的主要内容：

(1)提出有关聚类算法的多种最具代表性的算法，算法在应用时依据各种结构将一个数据集分为多个不同簇。

(2)提出层次式聚类算法，该算法基于基本原则多次合并，即可获得结构图。

(3)提出基于密度聚类算法，此类算法可以划分低密度与高密度两个不同区域。

以上的两种基于层次的聚类算法和基于密度的聚类算法将在本文第二章详细介绍。

我国专家学者研究聚类算法取得的成果：

(1)郑浩原等人对聚类算法改进，挖掘网络社区时使用层次聚类算法，要对每个点间的相似性求解，在分析角色时引入ego(中心节点）处理。

(2)重点研究网络簇结构，基于此结构制定一个多个粒子群组成的聚类网络簇结构法，该算法在使用时是将一个粒子群优化运用实现。

(3)传统聚类算法在处理时对于噪声敏感性较差，难以找到其中主要噪声源，导致达到的结果受到噪声干扰不精准。对于该问题提出一个k-中心点算法（K-Medidos算法），该算法充分运用蜂群算法理念，利用对步长调节的方式增强聚类算法精度，使得本算法运行非常稳定。

1.3论文主要研究内容

本文主要研究图聚类算法，并设计实现基于噪声去除的图聚类算法，该算法首先构建图，本文利用自然邻居的概念构造自然邻居图，因为基于自然近邻稳定结构的自然邻居图的整个计算过程可以在没有任何参数的情况下自动完成。其次是对基于噪声移除的图聚类算法的研究，对于噪声的移除本文使用的是改进的FCM算法，该算法对数据做统计峰值检测，通过数据领域平滑来去除噪声。将FC